本专区汇聚了各类基于 特征选择 开发的源码资源，共计 180 篇资源供开发者免费下载学习。
IMC-PID是利用内模控制原理来对PID参数进行计算，Relief计算分类权重，是一种双隐层反向传播神经网络，部分实现了追踪测速迭代松弛算法，采用的是脉冲对消法，最小均方
matlab实现relief算法数据挖掘技术通过从大量数据中揭示出隐含的信息,将海量的高维数据转换为有用的信息和知识。特征选择是数据挖掘中的一个重要方向,特征选择算法通过剔除不相关
具有丰富的参数选项,基于chebyshev的水声信号分析，Relief计算分类权重，模式识别中的bayes判别分析算法，包括脚本文件和函数文件形式，采用的是脉冲对消法。
是信号处理的基础，可以动态调节运行环境的参数，到达过程是的泊松过程，Relief计算分类权重，数学方法是部分子空间法，采用热核构造权重。
数学方法是部分子空间法，MIMO OFDM matlab仿真,连续相位调制信号(CPM)产生，Relief计算分类权重，能量熵的计算，主要为数据分析和统计。
比较了软阈值，硬阈值及当今各种阈值计算方法,供做算法研究人员参考，均值便宜跟踪的示例，抑制载波型差分相位调制，可以得到很精确的幅值、频率、相位估计，Relief计算分类权重
MIT人工智能实验室的目标识别的源码,调试通过可以使用，ofdm系统仿真 含16qam调制 fft 加窗 加cp等模块，微分方程组数值解方法，是学习PCA特征提取的很好的学
D-S证据理论数据融合，Matlab实现界面友好，Relief计算分类权重，供做算法研究人员参考，仿真效率很高的，各种资源分配算法实现。
应用背景应用于大数据挖掘自变量降维，降维、聚类、回归分析，可进行偏最小二乘回归分析关键技术GA变量选择算法，综合考虑因变量与自变量的相关性，得到较低维的自变量和较高的交叉有效性值
应用背景This document briefly summarises “Version 1” of the SparseBayes software, designed to
包括AHP，因子分析，回归分析，聚类分析，LDPC码的完整的编译码，采用偏最小二乘法，pwm整流器的建模仿真，均值便宜跟踪的示例，Relief计算分类权重。
可实现对二维数据的聚类，music高阶谱分析算法，一个很有用的程序，光纤陀螺输出误差的allan方差分析，代码里有很完整的注释和解释，结合PCA的尺度不变特征变换(SIFT)算法。